<![CDATA[Permasalahan pengelolaan sampah menjadi isu global yang krusial, di mana pemilahan otomatis menjadi kunci efisiensi daur ulang. Penelitian ini bertujuan untuk membangun model klasifikasi sampah otomatis yang mampu mengenali lima kategori utama: kardus, logam, kertas, plastik, dan sampah residu (trash). Pendekatan yang diusulkan menggunakan Transfer Learning pada arsitektur Convolutional Neural Network (CNN) MobileNetV2 yang dikenal efisien secara komputasi. Untuk mengatasi ketidakseimbangan data (imbalance dataset), penelitian ini menerapkan teknik Class Weighting serta strategi Fine-Tuning bertahap pada lapisan base model. Model dilatih menggunakan dataset yang terdiri dari 4.272 data latih dan 2.026 data validasi. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 90,23% pada data validasi. Evaluasi mendalam menggunakan Confusion Matrix menunjukkan performa sangat tinggi pada kelas logam (recall 1.00) dan kertas (recall 0.96), namun menemukan tantangan signifikan pada kelas sampah residu. Hasil ini mengindikasikan bahwa meskipun MobileNetV2 sangat efektif untuk mengenali material daur ulang yang memiliki fitur bentuk tegas, variasi visual yang ekstrem pada kelas residu memerlukan penanganan khusus lebih lanjut.]]>
Copyrights © 2026
